Βιοπληροφορική. Βιολογικές Βάσεις Δεδομένων. Αλέξανδρος Τζάλλας Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ

Transcript

1 Βιοπληροφορική Βιολογικές Βάσεις Δεδομένων Αλέξανδρος Τζάλλας ΤΕΙ Ηπείρου Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ

2 Copyright Πανεπιστήμιο Δυτικής Μακεδονίας, Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών, Αγγελίδης Παντελής. «Βιοπληροφορική». Έκδοση: 1.0. Κοζάνη Διαθέσιμο από τη δικτυακή διεύθυνση: https: //eclass.uowm.gr/courses/icte102/ Βιολογικές Βάσεις Δεδομένων

3 Σκοπός της Διάλεξης Δημόσιες βάσεις δεδομένων βιοπληροφορικής. Βασικοί ορισμοί (Data repository, Data mart, Data warehouse). Ηλεκτρονικά ιατρικά αρχεία. Κύκλος ζωής ιατρικών δεδομένων. Είδη βάσεων δεδομένων στη Βιοπληροφορική. Οργάνωση των βιολογικών βάσεων δεδομένων (πεδίαεγγραφές). Σχεσιακές βιολογικές βάσεις δεδομένων. Βιβλιογραφικές βάσεις δεδομένων.

4 Computers and bioinformatics Computers serve 4 independent functions in bioinformatics: I. Communication: More journal articles available for the researchers in less time and increasingly large proportion of academic research information appears online. II. Computations: Computers are used for tasks that range from searching a reference (or a nucleotide sequence) and visualizing protein folding patterns to simulating 3D proteinprotein interaction. III. Control: Computer controlled devices are superior to manual operators, when time matters. IV. Storage: A true database is the data repository, a database used as an information storage facility, with minimal analysis or querying functionality.

5 Public bioinformatics databases accessible via the Internet Bergeron, B. Bioinformatics Computing 6

6 Ορισμοί Definitions (1/3) 1 st level: Data repository Simplest level of a true database is the data repository (database used as an information storage facility) with minimal analysis. Advantages using data repository instead of original database. Longitudinal studies are possible because all data in the host application are stored in the repository. Offloads the query functions that are available through native applications to the database management system that enables efficient control and management of the data repository. Bergeron, B. Bioinformatics Computing 7

7 Ορισμοί Definitions (2/3) 2 nd level: Data mart Εξειδικευμένα θεματικά υποσύνολα. Περιορισμένο εύρος δεδομένων για ένα συγκεκριμένο ερευνητικό θέμα. Διαφορά με data repository: Περιέχει πειραματικά/κλινικά δεδομένα που προέρχονται από πολλές βάσεις δεδομένων - data repository. Bergeron, B. Bioinformatics Computing

8 Ορισμοί Definitions (3/3) 3 rd level: Data warehouse Κεντρική βάση δεδομένων. Σύνολο όψεων από διαφορετικές πηγές. Τα δεδομένα: χαρακτηρίζονται από ανομοιομορφία, δεν αντικαθίστανται από καινούργια δεδομένα, χαρακτηρίζονται από την ημερομηνία καταχώρησης (timestamped) η οποία δεν αλλάζει.

9 Data management scenario for a pharmacogenomic laboratory (1/3) Βιβλιογραφική αναζήτηση, MeSH Κλινικές εξετάσεις Electronic medical record Bergeron, B. Bioinformatics Computing Γονιδιακή ανάλυση Γονίδια που επηρεάζονται Σκοπός: Γενετική βάση της επιθετικότητας

10 Data management scenario for a pharmacogenomic laboratory (2/3) Typical electronic Medical Record (EMR) Bergeron, B. Bioinformatics Computing

11 Data management scenario for a pharmacogenomic laboratory (3/3) Bergeron, B. Bioinformatics Computing

12 Data modification Γονιδιακή ανάλυση δειγμάτων με βιοπληροφορική Κλινικές δοκιμές σε ασθενείς Bergeron, B. Bioinformatics Computing

13 Integration of clinical data Integration of bioinformatics data

14 Aggressive behavior - Results

15 Data management scenario for a pharmacogenomic laboratory Bergeron, B. Bioinformatics Computing

16 Genomic & public-funded applications Bergeron, B. Bioinformatics Computing

17 FASTA Format for sequencing analysis Διάταξη για αλληλουχίες DNA και πρωτεϊνών. Περιέχει γραμμή-επικεφαλίδα, η οποία αρχίζει πάντα με το σύμβολο <. Δίνει το όνομα ακολουθίας και μία σύντομη περιγραφή γι αυτήν. Ακολουθείται από τη νουκλεοτιδική (DNA-RNA) ή αμινοξική (πρωτεΐνη) ακολουθία. 1 mvmevgtlda gglrallger aaqcllldcr sffafnaghi agsvnvrfst ivrrrakgam 61 glehivpnae lrgrllagay havvllders aaldgakrdg tlalaagalc rearaaqvff 121 lkggyeafsa scpelcskqs tpmglslpls tsvpdsaesg csscstplyd qggpveilpf >gi gb AAH Dual specificity phosphatase 1 [Homo sapiens] 181 lylgsayhas rkdmldalgi talinvsanc pnhfeghyqy ksipvednhk adisswfnea MVMEVGTLDAGGLRALLGERAAQCLLLDCRSFFAFNAGHIAGSVNVRFSTIVRRRAKGAMGLEHIVPNAE LRGRLLAGAYHAVVLLDERSAALDGAKRDGTLALAAGALCREARAAQVFFLKGGYEAFSASCPELCSKQS 241 idfidsikna ggrvfvhcqa gisrsaticl aylmrtnrvk ldeafefvkq rrsiispnfs TPMGLSLPLSTSVPDSAESGCSSCSTPLYDQGGPVEILPFLYLGSAYHASRKDMLDALGITALINVSANC 301 fmgqllqfes qvlaphcsae agspamavld rgtstttvfn fpvsipvhst nsalsylqsp PNHFEGHYQYKSIPVEDNHKADISSWFNEAIDFIDSIKNAGGRVFVHCQAGISRSATICLAYLMRTNRVK 361 ittspsc LDEAFEFVKQRRSIISPNFSFMGQLLQFESQVLAPHCSAEAGSPAMAVLDRGTSTTTVFNFPVSIPVHST NSALSYLQSPITTSPSC

18 Καταχωρήσεις (entries) στις βιολογικές βάσεις δεδομένων Οι καταχωρήσεις έχουν έναν «κύκλο ζωής» στις βάσεις δεδομένων. Εξαιτίας της αυξημένης ζήτησης για άμεση πρόσβαση στην νέα πληροφορία, οι καινούργιες καταχωρήσεις είναι διαθέσιμες πριν ολοκληρωθούν και ελεγχθούν από την ερευνητική κοινότητα. Οι καταχωρήσεις «ωριμάζουν» μέσω των τάξεων: Unannotated Preliminary Unreviewed Standard. Ασχολίαστη Προκαταρτική Μη επαληθεύσιμη Τελική. Σπάνια, μία καταχώρηση «πεθαίνει» (an entry 'dies ). Περιορισμένος αριθμός καταχωρήσεων έχει αφαιρεθεί από τις βάσεις δεδομένων όταν διαπιστώθηκε ότι ήταν λανθασμένες.

19 Data Life Cycle

20 Organic analog of database hierarchy 21

21 Αναγκαιότητα... Αύξηση βιολογικής πληροφορίας εξαιτίας νέων τεχνολογιών. Για παράδειγμα, αύξηση του αριθμού των γονιδιωμάτων των οργανισμών που έχουν αποκρυπτογραφηθεί. Διαθεσιμότητα πληροφορίας στους επιστήμονες. Ενοποίηση πληροφοριών από διαφορετικές πηγές. Προσβασιμότητα σε πληροφορία που δεν μπορεί να δημοσιευτεί αναλυτικά. Διαθεσιμότητα πληροφορίας σε επεξεργάσιμη μορφή. Αυτόματη ανάλυση. Έτσι... Δημιουργήθηκε η ανάγκη της μεθοδικής οργάνωσής τους σε βάσεις δεδομένων, δηλαδή της ηλεκτρονικής αρχειοθέτησης τους.

22 Διαφορετικά είδη βάσεων δεδομένων στη Βιοπληροφορική (1/2) 1. Δεδομένα: Καταχώρηση στοιχείων και έλεγχος ποιότητας: data deposited directly curators add and update data treatment of erroneous data: removed, or marked error checking consistency, updates. Τύπος δεδομένων: nucleotide sequences (DNA-RNA) protein sequences 3D structures gene expression data metabolic pathways. Πρωτογενή ή επεξεργασμένα δεδομένα: Primary databases: direct experimental results Secondary databases: result of analysis on primary databases Consolidation of many databases

23 Διαφορετικά είδη βάσεων δεδομένων στη Βιοπληροφορική (2/2) 2. Βάση δεδομένων: Οργάνωση: flat files. Relational databases. Object-oriented databases.. Διαθεσιμότητα: Publicly available, no restriction. Available, but with copyright. Accessible, but not downloadable. Academic, but not freely available. Commercial. Curators: Large, public institution (EMBL, NCBI). Quasi-academic institute (Swiss institute of Bioinformatics, TIGR, ). Academic group or scientist. Commercial company.

24 Οργάνωση των βιολογικών βάσεων δεδομένων Ανάλυση των δεδομένων σε: Εγγραφές (records) και πεδία (fields), ή Γραμμές και στήλες, ή Κάρτες και στοιχεία. Εγγραφή (record): Συγκεκριμένη ομάδα πληροφοριών που εισάγεται στη βάση δεδομένων. Οι πληροφορίες αυτές αναφέρονται σε ένα γονίδιο ή μία πρωτεΐνη. Πεδία (fields): Τα μέρη στα οποία αναλύεται μία εγγραφή. Ίδια πεδία σε κάθε εγγραφή. Μοναδικό πεδίο σε κάθε εγγραφή. Όνομα πρωτεΐνης / γονιδίου. Αριθμών αμινοξέων / νουκλεοτιδίων.

25 Βάσεις δεδομένων - Κατηγορίες Βάσεις επίπεδης οργάνωσης (flat file): Χειρίζονται μόνο ένα σύνολο από εγγραφές του ίδιου τύπου κάθε φορά. Προορίζονται για τη διαχείριση καταλόγων. Περιορισμένες δυνατότητες / Βοηθητικός ρόλος.

26 Filing cabinet for invoices: Table: the filing cabinet. Παράδειγμα Rows (records): individual invoices. Columns (fields): data on the individual invoices (customer, product, price, quantity).

27 Εγγραφές και πεδία των βιολογικών βάσεων δεδομένων ΠΕΔΙΑ - FIELDS ΕΓΓΡΑΦΕΣ- RECORDS Accession Protein names Organism Length (a.a.) P32234 GTP-binding protein Drosophila melanogaster (Fruit fly) P19084 Q4U9M9 P S globulin seed storage protein G3 104 kda microneme/rhoptry antigen (p104) 104 kda microneme/rhoptry antigen (p104) Helianthus annuus (Common sunflower) Theileria annulata 893 Theileria parva 924 Problem: Storage of data in one way (e.g. alphabetic order). Search on any other criteria?

28 Παράδειγμα (συνέχεια) Στόχος: Αποστολή διαφημιστικού. Ενέργεια: Προσθήκη διεύθυνσης σε μία στήλη πεδίο. Πρόβλημα: Επανάληψη. Λύση: Σχεσιακές βάσεις δεδομένων.

29 Σχεσιακές βάσεις δεομένων (Relational biological database)

30 Βάσεις δεδομένων Κατηγορίες (1/3) Σχεσιακές ή συσχετισμένες βιολογικές βάσεις δεδομένων (Relational biological database): Δυνατότητα ταυτόχρονου χειρισμού και σύνδεσης πολλών συλλογών από εγγραφές διαφορετικών τύπων οργανωμένες σε πίνακες. Οι πίνακες της βάσης μπορούν να συσχετιστούν μεταξύ τους, με αποτέλεσμα την ομοιόμορφη κατανομή της πληροφορίας σε όλη τη βάση.

31 Παράδειγμα σχεσιακής βιολογικής βάσης δεδομένων No of protein (primary key) ΠΡΩΤΕΪΝΕΣ - PROTEINS Protein names Accession Length (a.a.) 2 GTP-binding protein P S globulin seed storage protein G3 P No of protein (foreign key) ΒΙΒΛΙΟΓΡΑΦΙΕΣ - REFERENCES Reference number (primary key) Title Date Authors 2 45 The genome sequence of Adams M.D., Celnikew S.E. No of author (primary key) Reference number (foreign key) ΣΥΓΓΡΑΦΕΙΣ - AUTHORS Name Institute 2 45 Adams M.D. Case Western Reserve University 6 45 Celnikew S.E University of California

32 Πλεονεκτήματα σχεσιακών βάσεων δεδομένων Αποφυγή επανάληψης και συσσώρευσης δεδομένων. Εξασφάλιση της πληρότητας και της αξιοπιστίας των δεδομένων. Εύκολη άντληση της πληροφορίας. Πακέτα λογισμικού για τη δημιουργία, αποθήκευση και διαχείριση των βάσεων δεδομένων. Συστήματα διαχείρισης βάσεων δεδομένων (Database Management System - DBMS).

33 Βάσεις δεδομένων Κατηγορίες (2/3) Αντικειμενοστραφείς Βάσεις Δεδομένων. (Object-oriented biological database): Πολύπλοκες δομές δεδομένων παρουσιάζονται με σύνθετες καταχωρήσεις. Αυτές οι σύνθετες καταχωρήσεις περιέχουν με τη σειρά τους άλλα αντικείμενα. Τελικά οι δομές ομαδοποιούνται σε πολλά επίπεδα.

34 Βάσεις δεδομένων Κατηγορίες (3/3)

35 Βιολογικές βάσεις δεδομένων - ΒΒΔ Ορισμός: Ηλεκτρονικές βιβλιοθήκες βιολογικών πληροφοριών. Οι πληροφορίες συλλέγονται από: Επιστημονικά πειράματα. Δημοσιευμένη βιβλιογραφία. Πειράματα και αναλύσεις που πραγματοποιούνται στον Η/Υ.

36 Βιολογικές βάσεις δεδομένων - Κατηγορίες (1/3) Γενικευμένες (Generalised) ή Αρχειακές (Archival): Περιλαμβάνουν πρωτογενή βιολογική πληροφορία. Πρωτογενείς βάσεις δεδομένων ακολουθιών. Βάσεις δεδομένων με τρισδιάστατες δομές.

37 Βιολογικές βάσεις δεδομένων - Κατηγορίες (2/3) Δευτερεύουσες (Secondary) βιολογικές βάσεις δεδομένων: Τα δεδομένα τους προκύπτουν από ανάλυση των δεδομένων των αρχειακών βάσεων δεδομένων. ΒΔ στις οποίες έχουν ληφθεί υπόψη οι πρωτεϊνικές αλληλουχίες στην πρόβλεψη της τρισδιάστατης δομής των πρωτεϊνών. ΒΔ που, ιεραρχούν/συσχετίζουν οικογένειες πρωτεϊνών, δομικά κοινές πρωτεΐνες, κοινά μοτίβα ακολουθιών DNA και πρωτεϊνών. ΒΔ που καταγράφουν μεταλλαγές ή παραλλαγές στις ακολουθίες DNA ή πρωτεϊνών.

38 Βιολογικές βάσεις δεδομένων - Κατηγορίες (3/3) Βιολογικές βάσεις δεδομένων ιστοσελίδων που περιλαμβάνουν: Βάσεις δεδομένων που περιέχουν ως εγγραφές βιολογικές βάσεις δεδομένων. Συνδέσμους μεταξύ των βιολογικών βάσεων δεδομένων. Εξειδικευμένες βάσεις δεδομένων: ΒΔ μικροσυστοιχιών (microarrays). ΒΔ μεταβολικών μονοπατιών. Βιβλιογραφικές βάσεις δεδομένων.

39 Βιβλιογραφικές βάσεις δεδομένων

40 Είδη δημοσιεύσεων Books Βιβλία (μονογραφίες). Journals Επιστημονικά περιοδικά. Conferences Επιστημονικά συνέδρια. Research articles - Ερευνητικά Άρθρα. Review articles Άρθρα ανασκόπησης. Meta analysis Ανάλυση αποτελεσμάτων προηγούμενων δημοσιεύσεων.

41 Η δομή μίας δημοσίευσης Computer science 1. Abstract. 2. Introduction. 3. Method Algorithm Tools. 4. Results / Conclusions. 5. References.

42 Ερευνητικό άρθρο - Research Article (1/2)

43 Ερευνητικό άρθρο - Research Article (2/2)

44 SCOPUS (1/3) SCOPUS Πανεπιστήμιο Δυτικής Μακεδονίας 45

45 SCOPUS (2/3)

46 SCOPUS (3/3)

47 Scopus, Πηγές (Sources) Agricultural and Biological Science. Arts and Humanities. Biochemistry, Genetics and Molecular Biology. Business, Management and Accounting. Chemical Engineering. Chemistry. Computer Science. Dentistry. Earth and Planetary Sciences. Economics, Econometrics and Finance. Energy. Engineering. Environmental Science. Health Professions. Immunology and Microbiology. Materials Science. Mathematics Medicine Neuroscience. Nursing. Pharmacology, Toxicology and Pharmaceutics. Physics and Astronomy. Psychology. Social Sciences. Veterinary. Πανεπιστήμιο Δυτικής Μακεδονίας 48

48 Google (1/2)

49 Google (2/2)

50 PubMed NCBI (National Center for Biotechnology Information)

51 PubMed

52 DBLP Database DataBase systems and Logic Programming or Digital Bibliography & Library Project. DBLP Database

53 DBLP

54 Πρωτογενείς βάσεις δεδομένων DNA & πρωτεϊνών

55 Πρωτογενείς βάσεις δεδομένων DNA (Primary sequence database) 1. NCBI - National Centre of Biotechnology information (U.S.A.). 2. EMBL - European Molecular Biology Laboratory (Europe). 3. DDBJ - DNA Data Banf of Japan (Japan). Σκοπός: Συλλογή και διάθεση στην επιστημονική κοινότητα ακολουθιών DNA και RNA από πλήρως ή μερικώς αποκρυπτογραφημένα γονιδιώματα οργανισμών, θέτοντας κοινούς κανόνες ταξινόμησης και σχολιασμού των δεδομένων. Τα δεδομένα υποβάλλονται από διάφορες ανά τον κόσμο επιστημονικές ομάδες σε μία από τις τρεις βάσεις δεδομένων και μέσω της καθημερινής ανταλλαγής στοιχείων ενημερώνονται και οι υπόλοιπες.

56 International Nucleotide Sequence Database Collaboration. Made up of: GenBank, European Nucleotide Archive, and DNA Data Bank of Japan. Represents an archival repository of all sequences. INSDC

57 Identifiers and Accession numbers Identifier: Συμβολοσειρά από γράμματα και ψηφία που συνήθως είναι «δυσνόητα». Example: TPIS_CHICK (Triose Phosphate Isomerase from chicken (gallus gallus)) in protein database. The identifier can change (based on the curator). Accession code: Συμβολοσειρά από γράμματα και ψηφία που αναγνωρίζει μοναδικά την καταχώρηση στη βάση δεδομένων. The accession number for TPIS_CHICK is P Accession number should not changed!!

58 NCBI - GENBANK Υπό την αιγίδα του Εθνικού Ινστιτούτου Υγείας (National Institutes of Health - NIH). Διαθέτει νουκλεοτιδικές αλληλουχίες από περισσότερους από 300,000 οργανισμούς. Δεδομένα: Απευθείας υποβολές των αποτελεσμάτων ερευνών διαφόρων μικρών ερευνητικών ομάδων, ή Υποβολές εύρεσης της αλληλουχίας του γονιδιώματος διαφόρων οργανισμών από μεγάλα ερευνητικά κέντρα. Η τελευταία έκδοση της GENBANK περιλαμβάνει: 126,551,501,141 βάσεις DNA. 135,440,924 εγγραφές.

59 Format αρχείου GenBank Αποτελείται από 3 μέρη: i. Σχόλια (Comment). ii. iii. Χαρακτηριστικά (Features). Ακολουθία (Sequence).

60 GENBANK Format DNA (1/2) Locus: Η γραμμή περιλαμβάνει αριθμό υποβολής εγγραφής (Accession number), μήκος, τύπο του μορίου, Accession: Ο αριθμός υποβολής λιτή Version: αναφορά 3 γραμμάτων στην Definition: Ο Μία αριθμός σύντομή υποβολής περιγραφή της εγγραφής. Είναι μοναδικός και ταξινόμηση, εγγραφής της ημερομηνία ακολουθίας που και έγιναν η της ταυτόσημος ακολουθίας για GENBANK, EMBL, αριθμητική γνωστά τα δεδομένα DDBJ. Source: ΔενΤο έκδοση μπορεί κοινό αυτού. να αλλάξει όνομα Ο κωδικός ποτέ. του που Organism: ακολουθεί χρησιμοποιείται μόνο Χρησιμοποιείται οργανισμούτοαπό επίσημο στα τον άρθρα. οποίο επιστημονικό προέρχεται από GENBANK & NCBI. όνομα η ακολουθία. του οργανισμού και η συστηματική αναγνώρισή του. Reference: Παράθεση των άρθρων που περιέχουν δεδομένα για την εγγραφή, με αναφορά στον συγγραφέα, τον τίτλο του άρθρου, τα στοιχεία του περιοδικού στο οποίο δημοσιεύτηκε, το μοναδικό αριθμό καταχώρησης του άρθρου στις βιβλιογραφικές βάσεις δεδομένων MEDLINE & PUBMED.

61 GeneBank - Comment Summary: Περίληψη λειτουργίας της πρωτεΐνης που κωδικοποιείται από το γονίδιο

62 GENBANK - Features Χαρακτηριστικά Χρωμόσωμα Coding sequence: Αρχή της μεταγραφής του γονιδίου σε πρωτεΐνη ATG: start codon Αλληλουχία πρωτεΐνης

63 GENBANK Format DNA (2/2) Αλληλουχία DNA Start codon (256): ATG Stop codon (1410): GAT

64 Παράδειγμα GENBANK Πρωτεΐνη (1/3)

65 Παράδειγμα GENBANK Πρωτεΐνη (2/3)

66 Παράδειγμα GENBANK Πρωτεΐνη (3/3)

67 EMBL (European Molecular Biology Laboratory) Nucleotide Sequence Database (also known as EMBL-Bank) EMBL: Ευρωπαϊκός οργανισμός έρευνας με το κύριο ερευνητικό του κέντρο στην Χαϊδελβέργη Γερμανία 1 κεντρικό ερευνητικό κέντρο και 4 περιφερειακά EMBL-Bank: Εδρεύει στο EBI Λειτουργεί κατά αντιστοιχία με την GENBANK. Η τελευταία έκδοση της EMBL- Bank περιλαμβάνει: 283,748,816,763 βάσεις DNA 163,656,234 εγγραφές

68 EMBL EBI / Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής EMBL-Bank: Νουκλεοτιδική (DNA) βάση δεδομένων. UniProt: Πρωτεϊνική βάση δεδομένων. Η κάθε γραμμή αρχίζει με συγκεκριμένο αναγνωριστικό 2 χαρακτήρων.

69 EMBL Format - DNA Δομή γραμμών που η καθεμία αρχίζει με ένα συγκεκριμένο αναγνωριστικό που αποτελείται από 2 χαρακτήρες. Abbreviations Συντομογραφίες

70 EMBL - Bank format (DNA database) (1/4) ID (Identification): Περιέχει τον κωδικό κάθε εγγραφής και γενικές πληροφορίες για την ακολουθία. ID <1>; SV <2>;, <3>; <4>; <5>; <6>; <7> BP 1. Αρχικός κωδικός εγγραφής 2. Εκδοχή αλληλουχίας (Sequence version number) 3. Γραμμικό ή κυκλικό DNA 4. Τύπος μορίου που έχει αποθηκευτεί 5. Η μεθοδολογία που χρησιμοποιήθηκε, STD: Standard 6. Ταξινόμηση 7. Μήκος αλληλουχίας σε ζεύγη βάσεων

71 EMBL - Bank format (DNA database) (2/4) DT (DaTe): Ημερομηνία που πρωτοεμφανίστηκε και ημερομηνία κατά την οποία ενημερώθηκε τελευταία φορά. Μορφή καταχώρησης: DT DD-MON-YYYY (Release #, Created) DT DD-MON-YYYY (Release #, Last updated, Version #) AC: Accession number. Αριθμός υποβολής της εγγραφής, ίδιος για τις 3 κύριες βάσεις δεδομένων DNA ακολουθιών

72 EMBL - Bank format (DNA database) (3/4) DE (Description): Περιγραφή. Επίσημο KW (Keywords): όνομα του Λέξεις βιομορίου κλειδιά ακολουθούμενο από συνώνυμα. OS & OC (Organic species & Organism Classification): Επιστημονικό και κοινό όνομα οργανισμού καθώς και την ταξινομική κατάταξη του οργανισμού. RN,RP, RC, RX, RA, RT & RL: Βιβλιογραφικές αναφορές.

73 EMBL - Bank format (DNA database) (4/4) FT Line: Feature table. Παρέχει μηχανισμό για σχολιασμό (annotation) των δεδομένων της ακολουθίας

74 EMBL-Bank format (DNA database) - Sequence

75 Πρωτεϊνική βάση δεδομένων - UniProt Το 2002, οι τρεις μεγάλες πρωτεϊνικές βάσεις δεδομένων, Swiss-Prot, TrEMBL και PIR-PSD, ενώθηκαν με αποτέλεσμα τη δημιουργία της μεγάλης παγκοσμιοποιημένης βάσης δεδομένων, Universal Protein Resource, UniProt. Περιέχει αναφορές από περισσότερες από 50 πρωτεϊνικές βάσεις δεδομένων.

76 Protein sequence database UniProt Consists of 3 layers: i. Knowledgebase (UniProt): A comprehensive catalogue of data on protein sequence and function. Contains only the active entries ii. iii. Archive (UniParc): Repository for all protein sequences, providing a mechanism by which the historical association of database records and protein sequences can be tracked. Contains both active and inactive entries. Non-redundant database (UniRef): Sequence clusters, used to speed up sequence similarity searches.

77 DNA duplex

78 UniProt Format (1/3)

79 UniProt Format (2/3)

80 UniProt Format (3/3)

81 DDBJ DNA Data Banf of Japan (Japan) Η μοναδική νουκλεοτιδική βάση δεδομένων στην Ασία. Λειτουργεί υπό την αιγίδα του Υπουργείου Παιδείας Επιστημών και Αθλητισμού της Ιαπωνίας. Πηγή των δεδομένων της είναι, κυρίως, Ιάπωνες ερευνητές. Η τελευταία έκδοσή της περιέχει: 87,903,140 εγγραφές. 91,294,770,939 βάσεις.

82 Μηχανές αναζήτησης βιολογικών δεδομένων NCBI, Entrez

83 Μηχανές αναζήτησης βιολογικών δεδομένων - EBI

84 Μηχανές αναζήτησης βιολογικών δεδομένων - SRS Fields: Nucleotides Proteins Structures Protein families Literature Genome Mutations Metabolic pathways

85 Μηχανές αναζήτησης δεδομένων στις βιολογικές βάσεις δεδομένων Επιλογές για αναζήτηση αλληλουχίας DNA: EBI, / GENBANK, / Επιλογές για αναζήτηση πρωτεϊνικής αλληλουχίας: UniProt, /

86 Βάσεις δεδομένων πρωτεϊνικών δομών Βάσεις δεδομένων για την τρισδιάστατη δομή πρωτεϊνών, των οποίων η δομή έχει λυθεί με τη χρήση διαφόρων τεχνικών όπως κρυσταλλογραφία ακτίνων Χ ή NMR. Protein Databases: PDB. SCOP. Swiss-Prot. PIR. RasMol: Molecular Visualization Freeware for proteins, DNA and macromolecules.

87 Protein Structure Databases Η πιο εκτεταμένη βάση δεδομένων τρισδιάστατων πρωτεϊνικών δομών είναι η Protein Data Bank (PDB). January 18, 2010: 54,039 structures. October 30, 2012: 85,848 structures.

88 Protein Data Bank (PDB) (1/4) 90% των πρωτεϊνικών δομών: X-ray crystallography. 9% των πρωτεϊνικών δομών: Nuclear Magnetic Resonance techniques (NMR).

89 Protein Data Bank (PDB) (2/4)

90 Protein Data Bank (PDB) (3/4)

91 Protein Data Bank (PDB) (4/4)

92 Crystal Structure

93 Protein domain / motif databases (1/2)

94 Protein domain / motif databases (2/2) Motif: A small structural element that is recognizable in several proteins. Length of 6-10 a.a. Domain: A part of a protein with specific structure which correspond to the family that belongs to the protein. Is related to the function of localization of the protein.

95 PROSITE (1/4) Αρχικά: Περιείχε απλά μοτίβα πρωτεϊνών. Σήμερα περιλαμβάνει αρχεία που περιγράφουν: Οικογένειες πρωτεϊνών. Λειτουργικές θέσεις πρωτεϊνών. Προφίλ πρωτεϊνών. Τρέχουσα έκδοση: 1650 εγγραφές με βιβλιογραφικά δεδομένα για τα, 1308 πρότυπα και τα, 1039 προφίλ που είναι καταγεγραμμένα σε αυτή.

96 PROSITE (2/4) Όνομα domain Sequence in FASTA format

97 PROSITE (3/4) Όνομα domain Sequence in FASTA format

98 PROSITE (4/4)

99 SMART (Simple Modular Architecture Research Tool) Αναγνώριση και σχολιασμό domains. «Αρχιτεκτονική» των domains. Καταγεγραμμένες περισσότερες από 500 οικογένειες domains: Μετάδοση βιολογικού σήματος. Εξωκυττάρια περιοχή πρωτεϊνών. Ενδοκυττάρια περιοχή πρωτεϊνών. Καταχώρηση σύμφωνα με: Εξέλιξη, ομοιότητες/διαφορές μεταξύ διαφορετικών ειδών. Λειτουργία ρόλος. Τριτοταγής δομή (στο χώρο). Κρίσιμα κατάλοιπα (αμινοξέα) για τη λειτουργία της πρωτεΐνης.

100 SMART Interface

101 SMART Ανάλυση αλληλουχίας Εύρεση πιθανών domains / motifs σε συγκεκριμένη αλληλουχία πρωτεΐνης. Εισαγωγή αλληλουχίας σε FASTA format. Εισαγωγή αλληλουχίας καντχερίνης-2 σε FASTA format

102 SMART Παράδειγμα cadherin

103 SMART Βάση τομέων (domains) πρωτεΐνης Εύρεση πληροφοριών για συγκεκριμένα domains. Λίστα με όλα τα καταχωρημένα domains.

104 Ten Important Bioinformatics Databases GenBank / nucleotide sequences. Ensembl / human/mouse genome (and others). PubMed / literature references. NR / protein sequences. SWISS-PROT / protein sequences. InterPro / protein domains. OMIM / genetic diseases. Enzymes / enzymes. PDB / protein structures. KEGG / metabolic pathways. Source: Bioinformatics for Dummies

105 Χρήσιμες πηγές Gene cards (only human): / Χαρακτηριστικά και πολλαπλές ονομασίες γονιδίου. Γενική λειτουργία πρωτεΐνης που εκφράζεται από γονίδιο. Πληροφορίες για την αλληλουχία πρωτεΐνης. Δομή πρωτεΐνης. Ρόλος πρωτεΐνης στη φυσιολογία του κυττάρου. Επίπεδα έκφρασης σε διάφορους ιστούς. Βιβλιογραφία. /searchlauncher.bcm.tmc.edu/multi-align/multi-align.html Επεξεργασία DNA και πρωτεϊνικών αλληλουχιών, π.χ. FASTA format.

106 Μεταλλάξεις - Mutations Normal DNA sequence ATC-CCT-AGT-AAA Mutated DNA sequence ATC-CTT-AGT-AAG Normal protein sequence Isoleucine Proline Serine Lysine Mutated protein sequence Isoleucine Leucine Serine Lysine

107 Επίσης a.a.: Amino acids = Αμινοξέα (Πρωτεΐνη). bp: Base pairs = Ζεύγη βάσεων, νουκλεοτιδίων (DNA). mrna: messenger RNA, αλληλουχία νουκλεοτιδίων, η θυμίνη (T) έχει αντικατασταθεί από ουρακίλη (U). Partial, fragment: Μέρος της αλληλουχίας (πρωτεΐνη ή DNA). Gene: Γονίδιο, κομμάτι DNA από το οποίο προκύπτει μία πρωτεΐνη. Start codon: ATG. Κωδικοποιεί τη μεθειονίνη. Stop codon: TAA (UAA), TAG (UAG), TGA (UGA). Δεν κωδικοποιεί αμινοξύ. CDS: Coding sequence, Κωδικοποιούσα αλληλουχία, Γονίδιο. Αρχίζει με ATG και τελειώνει με ένα κωδικόνιο τερματισμού.

108 Τέλος 4 ης Διάλεξης: Βιολογικές Βάσεις Δεδομένων tzallas@teiep.gr